GoogleTest JSON 输出中新增跳过测试原因支持
GoogleTest 是 Google 开发的一个流行的 C++ 测试框架,广泛应用于各种 C++ 项目的单元测试中。最近,GoogleTest 团队对其 JSON 输出格式进行了重要增强,增加了对跳过测试原因的支持,使测试报告更加完整和有用。
背景与需求
在软件开发过程中,测试有时需要被跳过(skip),这可能有多种原因:环境不满足、依赖项缺失、特定平台不支持等。传统的 GoogleTest XML 输出格式已经包含了跳过测试的原因信息,但在 JSON 输出格式中这一信息却缺失了。
这种缺失导致开发者在使用 JSON 格式的测试报告时,无法获取完整的测试状态信息,特别是当需要分析为什么某些测试被跳过时。对于自动化测试系统和持续集成(CI)流程来说,了解测试被跳过的原因同样重要。
技术实现
GoogleTest 团队在最新提交中解决了这个问题。实现方式是在 JSON 输出中添加了一个新的 "skipped" 数组字段,其结构与现有的 "failures" 字段类似。每个被跳过的测试都会在这个数组中有一个对应的条目,包含跳过的原因信息。
例如,一个测试被跳过时,JSON 输出现在会包含如下结构:
"skipped": [
{
"message": "<path>.cpp:5\nIt's good practice to provide the reason a test is being skipped.\n"
}
]
这种设计保持了 JSON 输出与 XML 输出在功能上的一致性,同时也遵循了 GoogleTest 现有的 JSON 输出结构模式,确保了向后兼容性。
技术意义
这一改进具有多方面的重要意义:
-
完整性:使 JSON 输出包含了与 XML 输出同等完整的信息,不再有信息丢失。
-
自动化处理:对于使用 JSON 格式解析测试结果的自动化工具和系统,现在可以正确处理和分析被跳过的测试。
-
调试便利:开发者可以更方便地了解为什么某些测试被跳过,特别是在复杂的测试环境中。
-
一致性:保持了不同输出格式间的一致性,减少了使用不同格式时的认知负担。
实际应用场景
在实际开发中,这一改进特别适用于以下场景:
-
跨平台开发:当某些测试只在特定平台上运行时,跳过原因可以帮助开发者快速了解平台兼容性问题。
-
条件测试:依赖于外部资源(如数据库、网络服务)的测试在被跳过时,原因信息有助于诊断环境配置问题。
-
测试维护:在大型项目中,清晰的跳过原因有助于维护测试套件,避免测试被无故跳过。
最佳实践
随着这一功能的加入,建议开发者在编写测试时:
-
总是为跳过的测试提供明确的跳过原因,而不仅仅是标记为跳过。
-
在跳过原因中包含足够的信息,如文件名和行号,方便定位问题。
-
考虑在 CI 系统中监控被跳过的测试,确保它们最终会被重新启用或移除。
总结
GoogleTest 对 JSON 输出格式的这次增强,虽然看似是一个小改动,但对于依赖自动化测试报告的系统和使用 JSON 格式的开发者来说,却是一个重要的改进。它进一步完善了 GoogleTest 的输出功能,使其在各种使用场景下都能提供完整、一致的测试信息。这一变化也体现了 GoogleTest 团队对测试框架实用性和完整性的持续关注。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00